BP神经网络在岩爆预测中的应用

综合考虑围岩产生岩爆的内外在因素,采用地应力大小、岩石抗压和抗拉强度、岩石弹性能量指数等参数作为指标,建立了BP人工神经网络岩爆预测模型.将国内外具有代表性的工程实例作为样本,以提高网络的泛化能力;采用Levenberg-Marquardt算法来训练BP神经网络,以提高效率.实例表明,采用本文所给出的BP神经网络模型预测结果与实际情况相符,说明了此模型的有效性.     

基于神经网络电力系统短期负荷预测的MATLAB实现

介于电力负荷预测在电力系统中的重要性,首先描述了电力负荷预测对电力系统的重要意义,分析了传统电力负荷预测方法的优缺点,在详细分析BP神经网络原理的基础上,设计了负荷分析方案,通过对某市负荷数据的分析,并且在充分考虑了日常负荷与天气因素的关系之后,建立了神经网络短期负荷预测模型,并进行短期预测,验证了其具有较高的精度,且具有很强的稳定性,适合多种不同的预测环境。     

LM—BP神经网络在于桥水库水质预测中的应用

利用BP神经网络的改进算法（L-M）,通过对大量样本进行多次的训练学习,建立于桥水库水质预痢模型,用该模型对于桥水库高锰酸盐指数、五日生化需氧量、氨氮、溶解氧等污染指标进行了预测,预测结果表明,LM—BP神经网络模型用在于桥水库水质预测时是可行的,可以得到较为理想的的精度和可靠度。     

BP神经网络在洞庭湖氨氮浓度预测中的应用

采用BP网络的三种改进算法,对洞庭湖桂花园8年(1995年~2002年)的氨氮浓度和其影响因子实测资料进行分析,建立了基于BP神经网络的氨氮浓度预测模型,并对三种改进算法的训练结果进行了比较。结果表明:作为数据驱动型模型的BP网络,用来建模的学习样本质量至关重要,可以直接影响网络的预测精度。1995年~2002年的丰水期(9月份)数据分布比较均匀,能让网络对样本充分学习,与传统的统计建模方法相比,预测精度较高,能较好地反映洞庭湖氨氮浓度与其影响因子之间变化规律。     

灰预测和BP神经网络在梧州站年径流预测中的应用

根据1960—2007年降雨、径流资料,运用Pearson相关分析法研究梧州区域降雨、大湟江口站年径流量与梧州站年径流量的相关关系;应用数列灰预测和BP神经网络模拟预测梧州站年径流量。结果表明:梧州站年径流量受梧州区域汛期降雨量、年降雨量和大湟江口站年径流量影响较大;梧州站年径流量BP神经网络模型预测效果比数列灰预测好。     

BP神经网络方法在灌区需水预测中的应用

以江西省廖坊水利枢纽工程灌区为例,通过查阅年鉴、现场调查和专家咨询确定影响需水量的主要因子,根据确定的主要影响因子构造BP神经网络的输入样本,采用Matlab软件平台编程,建立灌区需水模型.利用建立的模型预测2025年灌区的需水量,并与其他方法的预测成果进行比较.结果表明,BP神经网络方法在廖坊水利枢纽工程灌区需水量预测的应用上是成功的.     

快速BP算法在年径流预测研究中的应用

中长期径流预测是水资源研究领域的一项重要内容,本文针对汾河上游兰村站的径流量进行预测。建立三层BP神经网络模型,采用Levenberg-Marquardt(LM)法对模型进行训练。结果表明:模拟和预测的结果精度较高,满足精度要求。LM-BP神经网络模型在汾河上游兰村站的径流预测中是可行的,研究结果可为区域水资源规划管理提供科学依据。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

多元线性网络法在区域电力负荷预测中的应用

区域电力负荷具有特殊的变化规律，但表现出一定的周期波动性。对区域电力负荷变化影响因素分析后，分别利用多元线性回归和人工神经网络模型对电力负荷变化进行了电力消耗预测。对二者预测结果还进行了误差分析，并提出了高、中、低3个水平的电力负荷消耗。结果表明：预测结果与当地电力负荷消耗增长规律相符，且人工神经网络预测结果较多元线性回归模型稍好。预测的结果数据可以作为当地决策部门的资料参考。     

冰凌预报模糊优选神经网络BP方法

黄河内蒙段地处黄河流域最北端，由于它的特殊地理位置、水文气象条件、河道特性，几乎每年产生凌汛。本文在分析影响凌汛成因因素的基础上，选取合适的预报因子，基于模糊优选神经网络BP模型，提出冰凌预报方法，应用于黄河内蒙段封河、开河日期的预报。结果表明，计算简便，精度良好。     

深圳市供水量BP神经网络预测

城市供水量受多种因素的共同影响。以深圳市最近20多年的供水量历史数据为基础,建立了一种基于时间序列的供水量BP神经网络预测模型。该模型的平均相对误差为4.96％。根据建立的深圳市供水量BP神经网络模型的预测结果,未来深圳市近期(2005年)的年供水量将达到52 630万m3,远期(2010年)的年供水量将达到56 142万m3。     

基于BP神经网络的大坝沉降预测模型

以某大坝沉降监测数据为例,利用Matlab软件的BP神经网络工具箱进行建模分析和预测。结果表明,滚动BP神经网络算法能较好地应用于大坝沉降数据的预测,具有良好的应用前景。     

电网中电压稳定性的分析

针对我国电网的实际情况，结合电网中电压失稳的主要原因，总结了几种目前比较重要的衡量电压稳定的分析方法。通过这些方法的对比，阐述了它们在应用时的优缺点。     

人工神经网络模型在流域水沙预报中的应用

运用BP人工神经网络模型的基本原理 ,根据流域产流产沙的基本规律 ,以流域降雨条件为基本影响因子 ,由流域实测资料建立了BP神经网络模型。该模型具有很好的学习和泛化性能。同时该模型能用于评价流域内人类活动因素对流域产流产沙规律的影响。将该模型应用于兴山、碧溪、顺利峡站 ,并与实测资料进行了分析比较 ,结果表明 ,模型基本合理、可靠     

基于芒种日分析的BP模型在中长期汛期降雨量预报中的应用

为提高汛期降雨量中长期预报的精度,采用芒种日分析充分提取有用信息,基于BP神经网络模型,构建了芒种日分析的BP神经网络耦合模型,并将其应用于北京市中长期汛期降雨量的预测。结果表明:相比于常规BP模型,耦合BP模型能够有效提高预报的精度,验证期耦合BP模型模拟值与实测值相关系数为0.78,明显优于常规BP模型的0.42;耦合BP模型较常规BP模型的预报合格率提高了40%。芒种日分析能够充分发掘隐藏在原始数据中的有用信息,降低极端值等噪声数据对预报结果的影响,有效提高了模型的预报精度。将传统节气与人工智能预报技术相结合,为中长期汛期降雨量预报提供了一种新思路。     

基于粒子群最优化下BP神经网络的短期电价预测(英文)

根据电力市场的相关历史数据准确地预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义.在建立了一种粒子群优化(PSO)下的BP神经网络电价短期预测模型的基础上,采用PSO进化算法,反复抽取训练子集样本,通过对应的验证样本预测误差寻找近似最有代表性的训练子集,解决了模型的训练样本参数难以设置的问题.实验验证了该预测模型的有效性,结果表明处理好预测模型样本参数的选择问题,能够提高模型的稳定性及预测精度.     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

新安江模型和改进BP神经网络模型在闽江水文预报中的应用

精确的水文预报是防洪减灾中重要的非工程措施,水文模型是开展水文预报最有力的工具。采用LM算法改进了的BP神经网络水文预报模型,以闽江富屯溪流域为例,进行了BP模型和新安江模型在日流量模拟预报中的应用比较。结果表明:两个模型总体均达到水文预报的精度要求,水文预报合格率可达到90%以上;新安江模型在丰水年模拟效果较好,相比而言,BP神经网络模型的模拟精度更高一些;两个模型均可用于闽江流域的水文预报研究。